AI学会'想象'了——世界模型如何让机器在行动前先做梦，以及为什么这可能是通向真正智能的关键一步

Sat, 17 Oct 2026 02:30:00 +0800

引言

你有没有这样的经历：走到一个陌生的十字路口，还没来得及看红绿灯，脑子里就已经自动"播放"了一段小电影——如果现在冲过去，左边的车大概还没到路口；如果等一等，后面那个外卖小哥可能会从右边窜出来。

你没有真的去算车速和距离，但你的大脑在几秒钟内完成了一次"世界模拟"。

这个能力如此日常，以至于我们几乎意识不到它有多了不起。但对于2026年之前的AI来说，这几乎是不可能的任务。大语言模型（LLM）擅长的是"预测下一个词"——给它一段文字，它告诉你后面最可能跟什么。可如果你问它"如果我推一下桌上的杯子会怎样"，它只能根据训练数据里见过的类似描述来猜，而不是真正"理解"杯子的物理行为。

2026年，一股新的力量正在改写这个局面。它的名字叫世界模型（World Model）——不是预测下一个词，而是预测下一个世界。

一、从"能说会道"到"未卜先知"：世界模型到底在做什么

一句话概括：世界模型让AI在自己的"脑子"里建了一个微缩版的物理世界，然后在里面做模拟实验。

大语言模型的工作逻辑是：输入一段文字 → 预测下一个词 → 拼接 → 再预测。本质上它是一个超级强大的"文字接龙机器"。

世界模型的逻辑完全不同：输入当前状态 + 一个动作 → 预测世界会变成什么样。

举个例子。你告诉大语言模型"一个杯子在桌子边缘"，它会继续生成"可能会掉下去"之类的文字。但世界模型会做的更多——它会"看见"这个杯子，“知道"桌子的高度和杯子的重心，然后在你还没问之前就"看到"了：如果你轻轻推一下，杯子会沿着桌面滑动5厘米；如果用力推，它会翻倒并摔碎在地上。

这不是文字游戏，这是真正的"心智模拟”。

行业里有一条很实用的分界线来区分视频生成器和世界模型：如果输入一段画面、输出一段好看的视频，那只是生成器；只有能注入一个"动作"并得到这个动作带来的"后果"，才算得上世界模型。关键区别在于：机器人需要的不是好看的视频，而是"如果我用力推一下，杯子到底是翻了还是被推走了"。

二、一场30亿美元的集体押注：谁在建世界模型

2026年上半年，全球风险投资向世界模型初创公司注入了超过30亿美元。这不是某一个赛道的热度，而是整个AI行业正在形成的共识：下一阶段的智能，不在语言里，在物理世界里。

四个核心玩家各走一路：

NVIDIA Cosmos——用海量真实驾驶视频训练，生成照片级的合成视频来训练自动驾驶和机器人。核心思路是：既然真实世界的数据太贵、太危险，那就造一个足够逼真的"虚拟世界"来练兵。

Google DeepMind Genie 3——从一段文字描述就能生成可交互的3D游戏环境，24帧/秒、720p分辨率实时可玩。不只是生成风景，还模拟了物理规则和交互逻辑。

World Labs（李飞飞创办）——专注于构建能理解和生成三维空间的世界模型，2026年融资10亿美元，估值54亿美元。

AMI Labs（Yann LeCun创办）——这是最有哲学意味的一条路。LeCun认为，世界模型不应该去"画出"下一个画面（预测像素），而应该在抽象层面预测未来。他的JEPA架构（Joint Embedding Predictive Architecture）把所有视觉信息压缩成抽象向量，然后在向量空间里做预测——就像两个盲人下棋，不需要看棋盘，只需要在脑子里"想象"棋局的变化。这个实验室在2026年3月拿到了10.3亿美元的种子轮融资。

四位AI领域最具影响力的人物，不约而同地押注同一个方向。这标志着行业共识已经形成：下一阶段的AI竞争，将从"语言智能"转向"物理世界智能"。

三、RoboJEPA：当机器人学会了"做梦"

如果说世界模型的概念还在学术界打转，那么2026年10月发表的一篇论文，让它真正接上了地气。

Meta和斯坦福团队联合发布了RoboJEPA——一个80亿参数的机器人世界模型，在12种不同形态的机器人（机械臂、移动底盘、灵巧手等）的真实交互数据上训练。

它做了什么？

首先，他们发现了一个令人兴奋的现象：RoboJEPA的"想象误差"（即它在脑内模拟未来时产生的偏差）与计算量之间严格遵循数学上的幂律关系。这意味着，只要知道当前模型的规模，就能精确预测更大的模型会有多"聪明"。这是第一次在机器人世界模型上建立这样的缩放定律——此前只有大语言模型享有这种"可预测的变强路径"。

更令人惊叹的是：仅凭一张目标图片（比如"把杯子放到架子上"的最终状态照片），RoboJEPA就能自主规划出一整套动作序列，直接在真实机器人上零样本执行——不需要任何额外训练。

这意味着机器人第一次真正拥有了"想象力"——先在脑子里做梦，然后照着梦里的计划去行动。

四、H-JEPA：分层做梦的艺术

几乎同一时间，LeCun的AMI实验室发布了另一个重磅成果——H-JEPA（Hierarchical JEPA，分层联合嵌入预测架构）。

它解决的是一個核心问题：单层的世界模型在面对复杂长程任务时，误差会像滚雪球一样越滚越大。

LeCun用一个日常例子来解释：假如你要从北京去上海。你的思考是分层进行的——先决定"坐高铁"，然后想"怎么去北京南站"，最后才是"先迈左脚还是右脚"。你不会在买票的时候就思考台阶有多高，也不会在迈步的时候操心票价。

H-JEPA就是这个思路。它在垂直方向上堆叠多层JEPA，每一层负责不同时间尺度的预测。高层看远处、管大局；低层管细节、控执行。规划的时候从上往下传递目标：高层说"去上海"，中间层细化成"到火车站"，底层拆解成"迈左脚"。

效果立竿见影：在Visual AntMaze迷宫任务中，单层模型的成功率只有18%，三层H-JEPA直接拉到73%，而且用的规划算力反而更少。

更有趣的是，LeCun借此向当前火热的AI Agent潮流泼了一盆冷水。他说：“我无法想象一个不能预测自己行为后果的系统能被做成Agent。“在他眼中，真正的智能体不应该"走一步看一步、不行就改”，而应该在行动之前就在脑中推演整条因果链——先做梦，再做事。

五、从实验室到量产车：中国团队的突围

世界模型不是纸上谈兵。在中国，它已经开始上路了。

中科院团队的PAIWorld在权威评测基准WorldArena上排名第一，尤其在场景一致性指标上领先——意味着模型预测的未来场景与真实物理规律高度吻合。NeoVerse-ABot团队在ICRA 2026世界模型赛道全球夺冠。

在产业端，吉利WAM、小鹏X-World、小米Auto World Model相继发布，把世界模型从实验室推进了量产车的智驾系统。北京的通用世界模型重点实验室（国内首个世界模型方向的省部级重点实验室）也于10月正式揭牌。

甚至有人提出了世界模型的L1-L5分级体系，像自动驾驶分级一样，从"生成好看的视频"一路到"创造可无限运行的完整世界”。

六、世界模型和LLM，谁取代谁？

都不是。它们会融合。

2026年最前沿的趋势是混合架构：用LLM负责语言层面的推理和符号操作，用世界模型负责物理层面的模拟和因果推演。大语言模型告诉你"杯子里有水"，世界模型告诉你"杯子倒了水会流出来"。一个理解意义，一个理解因果。

JEPA-Anything的研究更进一步，把JEPA架构扩展到了7个完全不同的领域——从物理仿真到机器人控制，甚至到癌症研究。它用它预测了一种治疗肝细胞癌的药物组合方案，在实验室中的确比单一疗法杀死了更多肿瘤细胞。

RoboJEPA on 灵语AI